如何用java中的webmagic爬取网页

2.创建PageProcessor，用来处理网页数据

/**

• @author linzhiqiang

*/

public class CsdnBlogProcessor implements PageProcessor {

private Site site = Site

.me()

.setDomain(“csdn.net”)

.setSleepTime(3000)

.setUserAgent(

“Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_2) AppleWebKit/537.31 (KHTML, like Gecko) Chrome/26.0.1410.65 Safari/537.31”);

@Override

public void process(Page page) {

System.out.println(“html:”+page.getHtml());

}

@Override

public Site getSite() {

return site;

}

}

site中放置爬取的网站域名、cookie、请求头等信息。 process用来处理爬取到的网页数据，处理完的数据可以通过page.putField()，再通过Pipeline获取存储到数据库。

3.创建Pipeline，存储处理好的网页数据

public class CsdnPipeline implements Pipeline {

@Override

public void process(ResultItems resultItems, Task task) {

//文章题目

String title = resultItems.get(“title”);

//文章内容

String context = resultItems.get(“context”);

System.out.println(“title:” + title);

System.out.println(“context:” + context);

}

}

在process中通过resultItems来获取PageProcessor存储的page数据，最后我们可以将数据存储到redis、数据库、文件等地方。

4.利用Scheduler调度爬取任务

public class RedisScheduler extends DuplicateRemovedScheduler implements

MonitorableScheduler, DuplicateRemover {

@Override

public int getLeftRequestsCount(Task task) {

return 0;

}

@Override

public boolean isDuplicate(Request request, Task task) {

return false;

}

@Override

public void resetDuplicateCheck(Task task) {

}

@Override

public int getTotalRequestsCount(Task task) {

return 0;

}

private int num = 0;

@Override

public Request poll(Task task) {

Request request = new Request(“http://my.oschina.net/flashsword/blog/180623”);

return request;

}

}

我们可以将我们要爬虫的任务，添加到Scheduler中，然后按照顺序一一爬取。

5.启动爬虫程序，开始爬取数据

public static void main(String[] args) {

RedisScheduler redisScheduler = new RedisScheduler();

Spider.create(new CsdnBlogProcessor())

.setScheduler(redisScheduler)

.addPipeline(new CsdnPipeline())

.thread(1)

.run();

}

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数前端工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Web前端开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！

如果你觉得这些内容对你有帮助，可以扫码获取！！（备注：前端）

最后

整理面试题，不是让大家去只刷面试题，而是熟悉目前实际面试中常见的考察方式和知识点，做到心中有数，也可以用来自查及完善知识体系。

《前端基础面试题》，《前端校招面试题精编解析大全》，《前端面试题宝典》，《前端面试题：常用算法》PDF完整版点击这里领取

《前端校招面试题精编解析大全》，《前端面试题宝典》，《前端面试题：常用算法》PDF完整版点击这里领取**

[外链图片转存中…(img-6s1wB4ri-1712681615533)]

[外链图片转存中…(img-WwSLcvn0-1712681615533)]

[外链图片转存中…(img-O0y9Ie0x-1712681615533)]